Til Flagship Datasets
Collection
Core datasets for pretraining, instruction tuning, speech and language tasks. Основные датасеты для предобучения, инструкций, речи и языковых задач. • 8 items • Updated
Datasets:
You need to agree to share your contact information to access this dataset
This repository is publicly accessible, but you have to accept the conditions to access its files and content.
Бұл репозиторийге қолжетімділік өтінім бойынша беріледі. Өзіңіз туралы және деректерді қалай қолданатыңыз туралы жазыңыз — өтінімді TilQazyna командасы қарайды. · Доступ к репозиторию выдаётся по заявке. Расскажите о себе и о том, как собираетесь использовать данные — заявку рассматривает команда TilQazyna. · Access to this repository is granted on request. Tell us who you are and how you plan to use the material; the TilQazyna team reviews each application.
Log in or Sign Up to review the conditions and access this dataset content.
Til-Classification
Қазақша мәтіндерді жіктеу жинағы · Датасет классификации казахских текстов · Kazakh text classification dataset
Қазақша
Til-Classification — мәтінді жіктеу міндеттеріне арналған, сарапшы-модель бағалап, сапа деңгейлеріне бөлген 91 766 жолдық жинақ. Репозиторий көлемі — 15.1 МБ.
Құрамы
Жолдарда text, label, task, source, score, category және judge_lang өрістері бар. Негізгі тіл — қазақ тілі; жинақта өзге тілдегі және аралас мәтіндер де кездеседі.
| Конфиг | Жол саны |
|---|---|
raw |
60 623 |
clean |
24 263 |
premium |
6 880 |
Бағалар үлестірімі зерттеушіге сүзу шегін таңдауға мүмкіндік береді.
| Баға | Жол саны |
|---|---|
0 |
6 696 |
1 |
28 927 |
2 |
737 |
3 |
17 383 |
4 |
3 064 |
5 |
3 816 |
Жүктеу
from datasets import load_dataset
ds = load_dataset("TilQazyna/Til-Classification", "premium", split="train")
print(ds.column_names)
print(ds[0])
Қажет сапа қабаты raw, clean немесе premium конфигі арқылы таңдалады.
Қолжетімділік
Карточка мен файлдар тізімі ашық көрінеді. Файлдарды жүктеу үшін репозиторий бетіндегі «Request access» батырмасы арқылы өтінім беру керек; өтінімді TilQazyna командасы қарайды.
Байланысты репозиторий
Бастапқы материал: kazakh-text-classification.
Русский
Til-Classification — набор из 91 766 строк для задач классификации текста, оценённый моделью-судьёй и разделённый на уровни качества. Размер репозитория — 15.1 МБ.
Что внутри
В строках хранятся поля text, label, task, source, score, category и judge_lang. Основной язык — казахский; также встречаются тексты на других языках и смешанные записи.
| Конфиг | Строк |
|---|---|
raw |
60 623 |
clean |
24 263 |
premium |
6 880 |
Распределение оценок помогает исследователю выбрать порог фильтрации.
| Оценка | Строк |
|---|---|
0 |
6 696 |
1 |
28 927 |
2 |
737 |
3 |
17 383 |
4 |
3 064 |
5 |
3 816 |
Как загрузить
from datasets import load_dataset
ds = load_dataset("TilQazyna/Til-Classification", "premium", split="train")
print(ds.column_names)
print(ds[0])
Уровень данных выбирается конфигом raw, clean или premium.
Доступ
Карточка и список файлов видны всем. Для скачивания нужна заявка через кнопку «Request access» на странице репозитория; решение принимает команда TilQazyna.
Связанный репозиторий
Исходные материалы: kazakh-text-classification.
English
Til-Classification is a 91,766-row dataset for text classification, scored by a judge model and organized into quality tiers. The repository size is 15.1 MB.
Dataset contents
Each row provides text, label, task, source, score, category, and judge_lang. Kazakh is the primary language, with a smaller number of other-language and mixed-language records.
| Config | Rows |
|---|---|
raw |
60,623 |
clean |
24,263 |
premium |
6,880 |
The score distribution supports explicit filtering choices in research workflows.
| Score | Rows |
|---|---|
0 |
6,696 |
1 |
28,927 |
2 |
737 |
3 |
17,383 |
4 |
3,064 |
5 |
3,816 |
Loading the data
from datasets import load_dataset
ds = load_dataset("TilQazyna/Til-Classification", "premium", split="train")
print(ds.column_names)
print(ds[0])
Select the required data tier with the raw, clean, or premium config.
Access
The dataset card and file listing are public. Downloads require approval: submit the form through “Request access” on the repository page, and the TilQazyna team will review it.
Related repository
Source material: kazakh-text-classification.
Лицензия · License: apache-2.0 · TilQazyna
- Downloads last month
- 7